基于改进神经网络的短时交通流预测研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-12页 |
| 第一章 引言 | 第12-16页 |
| ·研究背景与意义 | 第12-13页 |
| ·短时交通流预测研究现状 | 第13-14页 |
| ·本文的主要工作 | 第14-15页 |
| ·本文的组织结构 | 第15-16页 |
| 第二章 交通流及人工神经网络的相关理论 | 第16-31页 |
| ·交通流及其预测 | 第16-19页 |
| ·交通流概述 | 第16-17页 |
| ·交通流数据的采集 | 第17-18页 |
| ·短时交通流预测过程 | 第18-19页 |
| ·人工神经网络概述 | 第19-26页 |
| ·人工神经网络的发展及应用 | 第19-21页 |
| ·人工神经网络的结构 | 第21-25页 |
| ·人工神经网络的学习 | 第25-26页 |
| ·BP 神经网络概述 | 第26-30页 |
| ·BP 算法的基本原理 | 第27-29页 |
| ·BP 算法的改进算法 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 基于蚁群算法的 BP 神经网络权阈值优化 | 第31-55页 |
| ·蚁群算法概述 | 第31-34页 |
| ·蚁群算法的基本原理 | 第32-33页 |
| ·改进的蚁群算法 | 第33-34页 |
| ·基于 BP 神经网络的短时交通流预测模型 | 第34-45页 |
| ·基本预测模型 | 第34-35页 |
| ·交通流数据的预处理 | 第35-38页 |
| ·输入层节点数的确定 | 第38-40页 |
| ·样本库的生成 | 第40-41页 |
| ·隐层数及隐节点数的确定 | 第41-45页 |
| ·MMAS 算法与 BP 神经网络的融合 | 第45-54页 |
| ·基本融合算法 | 第46-48页 |
| ·MMAS 算法参数的影响 | 第48-52页 |
| ·融合算法的改进 | 第52-53页 |
| ·实验结果分析 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第四章 基于改进 BP 神经网络的短时交通流预测 | 第55-66页 |
| ·改进的预测模型 | 第55-56页 |
| ·基于 MMAS 算法的 BP 神经网络结构确定 | 第56-60页 |
| ·基本思想 | 第56-58页 |
| ·算法流程 | 第58-60页 |
| ·仿真实验 | 第60-65页 |
| ·参数设置 | 第60页 |
| ·改进算法仿真结果分析 | 第60-64页 |
| ·预测结果对比分析 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| ·全文总结 | 第66页 |
| ·未来研究展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 攻读硕士学位期间取得的研究成果 | 第72-73页 |
